在內(nèi)部物流中執(zhí)行復(fù)雜的物料搬運是機器人最典型任務(wù)之一。到目前為止，技術(shù)人員和企業(yè)主對于編程和部署設(shè)備的成本仍然相當高，但是，對于低混合高產(chǎn)量（worthwhile for low mix high volume）的生產(chǎn)來說是值得的。

除了智能圖像處理外，這個用于物流的技術(shù)項目還使用了專門為抓取集裝箱而開發(fā)的滾輪式抓手 ? Robomotion

但是，如果在日益?zhèn)€性化的生產(chǎn)時代，零件的種類增加了呢？通常情況下，這些努力都變得不經(jīng)濟了。在倉庫、物流中心或零售業(yè)中使用機器人的情況也是如此：物品的種類非常多，對機器人應(yīng)該能夠抓取的每個物體進行教學(xué)，成本太高。

在這種情況下，人工智能技術(shù)可以使機器人更自主、更靈活，并實現(xiàn)新的應(yīng)用。即使在具有挑戰(zhàn)性的條件下，自動化解決方案在經(jīng)濟上也是可行的。來自德國弗勞恩霍夫IPA的研究人員正在展示這樣一個例子在深度揀選項目中可能是什么樣子。除其他事項外，他們正在與 "高級機器人 "公司合作，開發(fā)基于人工智能的圖像處理解決方案，使機器人能夠識別和抓取托盤上的未知包裝單元。

在過去，需要高度領(lǐng)域和專家知識的經(jīng)典圖像處理方法被用于機器人的定位和抓取物體。然而，這些方法往往不足以完成要求較高的任務(wù)，如抓取緊密堆疊的產(chǎn)品，這些產(chǎn)品的外觀都非常相似。此外，對新產(chǎn)品進行耗時的訓(xùn)練是另一個障礙。由弗勞恩霍夫IPA和Premium Robotics公司開發(fā)的一個實驗裝置說明了人工智能提供的使用案例和好處。負載架上緊密堆疊的物體不能在不影響其他物體的情況下被任意抓取或接近。任務(wù)是研究對象檢測的不同方法，并測試它們在機器人揀選貨物領(lǐng)域的應(yīng)用。

此外，還研究了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的物體識別和姿勢估計的方法。由于訓(xùn)練新產(chǎn)品的成本相應(yīng)較高--必須生成圖像數(shù)據(jù)的訓(xùn)練樣本并進行人工注釋--因此在模擬環(huán)境中進行了模型訓(xùn)練，訓(xùn)練后的模型隨后被轉(zhuǎn)移到真實世界。成功測試的對象是各種包裝，如打開和關(guān)閉的盒子、裝有瓶子、罐子和杯子的托盤、透明物體、倉庫中遇到的任何形狀的不同類型的包裝，所有這些都在具有挑戰(zhàn)性的照明條件和背景反射下進行。